论文部分内容阅读
随着计算机科学技术的飞速发展,智能系统被广泛用于辅助人们的生活和工作,机器视觉作为智能系统的重要组成部分也越来越受到研究者与企业的关注。行人检测是机器视觉中许多应用的基础,例如车辆安全辅助驾驶、智能视频监控、虚拟现实以及近些年兴起的航拍图像行人检测和灾难中受害者营救等新兴领域。目前,静态图像行人检测技术主要分为两类：基于模板匹配的方法和基于特征分类器的方法。基于模板匹配的方法需要构建大量的行人模型,然后在检测图像中搜索出与模板匹配度最大的区域。这种行人检测方法的检测效果很大程度上取决于其模板的质量。当前研究者提出了许多的人体模型用于行人检测,如轮廓模型,头肩模型,3D人体模型等,其中轮廓模型使用的最为广泛。基于特征分类器的方法则是通过提取图像中能够描述行人信息的特征,然后利用提取的特征训练一个分类器,最后利用训练好的分类器来进行行人检测。这种方法与基于模板匹配的方法相比,具有计算复杂度低、鲁棒性好等优点,因此这种方法是目前研究中比较热门的行人检测方法。论文在分析了当前主流的一些行人检测算法后,提出了基于多特征融合的静态图像行人检测算法。总的来说,本文的主要贡献如下：1、提出一种HSV(Hue-Saturation-Value)颜色空间特征与局部二元模式特征(Local Binary Pattern, LBP)融合的HSV-LBP特征行人检测方法。HSV特征是一种全局特征,它能简单的描述一幅图像中颜色的全局分布,而LBP特征能很好的描述图像局部空间结构,所以该算法既考虑了全局特征也考虑了局部特征,且该算法具有维数少,计算速度快的优点。在MATLAB环境下,利用Adaboost分类器对算法的性能进行仿真实验,并与经典的梯度方向直方图(HOG)特征、LBP特征以及融合特征HOG-LBP进行性能对比,结果表明该方法的识别率高。2、虽然LBP特征可以很好的描述图像的局部空间结构信息,但是复杂的光源环境中行人的阴影容易与行人粘连在一起,进而引起图像中行人的局部空间结构产生较大变化,这使得LBP特征对光照噪声的鲁棒性欠佳。针对LBP特征这一不足,论文提出了在C1C2C3颜色空间中使用颜色相似性特征(Color Histogram Similarity, CHS)与LBP特征融合的行人检测算法。C1C2C3颜色空间具有比较稳定的颜色不变性,因此在该空间下提取LBP特征可以有效的减少阴影对局部空间结构的影响。通过在MATLAB环境下与HOG特征、LBP特征以及HOG-LBP特征进行仿真对比实验,结果表明该算法具有较高的识别率。